融合网络结构和节点属性的链接预测方法

链接预测旨在推荐网络中潜在的链接,是理解和研究社会网络特征的重要一步。随着社会网络的发展,许多网络中包含了大量的节点属性信息。研究集中在结合网络结构和节点属性信息来进行链接预测。网络中的两个节点既可能因为结构上相邻形成新链接,也可能因为属性相似产生联系,基于此假设提出了一种新的融合网络结构和节点属性的随机游走模型用于链接预测。首先建立了两个不同的网络图以及转移概率矩阵用于新的迭代规则,而后再简化该模型用于计算并提出了一种近似的快速算法。在两个标准数据集上进行的实验表明该方法较同类方法有明显的效果提升,同时进一步分析了随机游走粒子在两个网络图中游走的概率对预测结果的影响,分析结果显示节点属性可有效提高模型的预测能力。     

基于分类本体的Web信息集成系统研究与实现

为了从海量数据空间中快速、准确获取用户所需Web信息,设计并实现了一个基于分类本体的Web信息集成系统.设计了Web信息自动归类算法,研究了基于分类本体的异构分类体系集成方法,实现了异构分类体系的合并,形成逻辑统一的、基于分类的Web集成视图.通过Web数据抽取机制以及Web信息分类技术实现了检索结果的分类和层次化展示,方便用户浏览、快速定位所需信息.     

面向教育领域的基于SVR-BiGRU-CRF中文命名实体识别方法

在教育领域中,命名实体识别在机器自动提问和智能问答等相关任务中都有应用。传统的中文命名实体识别模型需要改变网络结构来融入字和词信息,增加了网络结构的复杂度。另一方面,教育领域中的数据对实体边界的识别要十分精确,传统方法未能融入位置信息,对实体边界的识别能力较差。针对以上的问题,该文使用改进的向量表示层,在向量表示层中融合字、词和位置信息,能够更好地界定实体边界和提高实体识别的准确率,使用BiGRU和CRF分别作为模型的序列建模层和标注层进行中文命名实体识别。该文在Resume数据集和教育数据集(Edu)上进行了实验,F₁值分别为95.20%和95.08%。实验结果表明,该文方法对比基线模型提升了模型的训练速度和实体识别的准确性。     

支持Web2.0标签层次体系构建的关系识别及层次组合方法研究

从标签系统中生成层次体系可以支持多种类型的应用,具备重要的意义.当前的研究主要集中于发现标签间的关系,但对如何利用这些关系形成高质量的层次体系却关注不足.针对这一现状,研究了支持Web 2.0标签层次体系构建的关系识别及层次组合方法,通过分析并识别已发现的标签间关系所具有的不同类型提升了标签间关系的质量,并提出基于语义流动分析的层次组合方法实现了更高质量的层次体系构建.应用多种评估指标的实验结果表明应用关系识别及使用语义流分析方法可以获得相比评估方法更高质量的标签层次体系.     

面向自主意识的标签个性化推荐方法研究

在标签系统中,用户使用资源以及标签的习惯受到自身自主意识的影响.当前的标签个性化推荐方法缺乏对此类自主意识信息的描述,限制了个性化推荐的效果.通过采用类似LDA的概率模型,建模了用户的资源使用以及标签使用两方面的自主意识信息,实现了面向用户自主意识的标签推荐.模型的参数使用基于吉布斯抽样的方法进行估计,为快速高效计算模型参数提供了可能.实验结果显示该方法可以提供更高质量的标签个性化推荐结果.     

一种基于拉普拉斯矩阵的在线社会网络社区发现算法

Web媒体被公认为继报纸、广播、电视之后的＂第四媒体＂。而Web2.0的迅速普及,又使当今的Web媒体呈现了一种＂自媒体＂形式,即每个用户既是信息的接受者,也是信息发布者和信息转发者,因此,在当今的Web上形成了在线社会网络。研究表明在线社会网络呈现出一种很强的＂模块性＂（＂社区性＂）,因此,在在线社会网络中,社区发现一直是一个研究热点,即如何设计算法以发现大规模社会网络中的社区结构。文章提出了一种基于拉普拉斯矩阵的在线社会网络社区发现算法,该算法将在线社会网络转换成以拉普拉斯矩阵形式表现,通过计算该矩阵的谱并利用其性质发现社会网络上的社区结构。文章同时针对人造数据集与真实数据集进行了实验,实验结果表明本算法能够有效的发现社会网络中的社区结构。     

基于结果模式的Deep Web数据集成

Deep Web中蕴含了海量可供访问的信息,如何构建一个具有较好适用性和高效数据处理能力的Deep Web数据集成系统是有效利用Deep Web信息的关键.提出一种基于结果模式的Deep Web数据集成机制,通过结果模式可以实现高效的数据抽取,并且在结果模式的基础上可以根据用户查询请求动态生成结果输出模式,为高效的查询结果处理奠定了良好基础;同时,针对Deep Web数据源特点,给出数据源间冲突的分类及解决策略,为解决数据源间的异构问题奠定了良好基础.     

eCK模型下的密钥协商

如何构造安全的密钥协商协议是信息安全领域富有挑战性的问题之一。目前安全协议只能达到"启发式"安全,协议的安全假设也不够理想。针对这一问题,提出了基于计算性假设(CDH)的三方认证密钥协商协议,并运用陷门测试定理形式化地证明该协议在eCK模型下是安全的,更好地支持了敌手的询问。     

融合关系与内容分析的社会标签推荐

标签是Web 2.0时代信息分类与索引的重要方式.为解决标签系统所面临的不一致性、冗余性以及完备性等问题,标签推荐通过提供备选标签的方法来提高标签的质量.为了进一步提升标签推荐的质量,提出了一种基于标签系统中对象间关系与资源内容融合分析的标签推荐方法,给出了基于LDA(latent Dirichlet allocation)的融合表示对象间关系与资源内容的标签系统生成模型TSM/Forc,提出了一种基于概率的标签推荐方法,并给出了基于吉布斯(Gibbs)抽样的参数估计方法.实验结果表明,该方法可以提供比当前主流与最新方法更加准确的推荐结果.     

基于学习者行为特征的MOOCs学习伙伴推荐

大规模开放在线课堂的兴起给高等教育的全球化提供了契机。与大规模参与用户形成鲜明对比的是,目前课程普遍存在完成率不足的问题。造成学生退出的原因之一是学习者缺乏合适的学习伙伴相互交流以及时解决学习中遇到的问题。分析了开放课程中论坛用户的身份特征和学生用户在论坛讨论过程中的行为模式,建立了学习者行为特征模型和学生在讨论过程中形成的关系网络。根据课程内容建立关键词词典,并以此为主题词,提出了一种具有固定主题词的主题模型,进而推断关系网络潜在的主题分布,最终根据主题分布结果为学习者推荐学习伙伴。通过分析Coursera课程平台的真实数据,证明了该学习伙伴推荐方法能有效地挖掘出主题相关的学习者,为学习者相互推荐学习伙伴,在一定程度上将有助于提高学习者的积极性。